Skip to main content
ElevenLabs lleva a ComfyUI IA de voz de primer nivel: texto a voz, voz a texto, efectos de sonido, aislamiento de voz y transformación de voz. Sus modelos Eleven v3 y Multilingual v2 ofrecen voz con gran expresividad emocional en 29 idiomas, mientras que Scribe v2 proporciona transcripción rápida y precisa con diarización de hablantes y detección de entidades.

​
Capacidades principales

  • Text to Speech: genera audio realista a partir de texto con tres niveles de modelo (Eleven v3, Multilingual v2, Flash v2.5)
  • Speech to Speech: transforma un clip de audio de origen a otra voz manteniendo la entonación y el ritmo originales
  • Speech to Text: transcribe audio con Scribe v2: más de 90 idiomas, diarización de 32 hablantes, detección de entidades, refuerzo de palabras clave
  • Sound Effects: genera efectos de audio a partir de descripciones de texto
  • Voice Isolation: separa la voz del ruido de fondo, la música o el sonido ambiente
  • Multi-Character Dialogue: genera conversaciones entre varias voces distintas en una sola pasada
Para usar los Nodos asociados, debes asegurarte de haber iniciado sesión correctamente y de estar utilizando un entorno de red permitido. Consulta la sección Descripción general de los Nodos asociados de la documentación para conocer los requisitos específicos de uso de los Nodos asociados.
Asegúrate de que tu ComfyUI esté actualizado.Los flujos de trabajo de esta guía se encuentran en las Plantillas de flujos de trabajo. Si no los encuentras en las plantillas, es posible que tu ComfyUI esté desactualizado.Si faltan nodos al cargar un flujo de trabajo, estas son las posibles razones:
  1. No estás usando la última versión de ComfyUI (versión nocturna)
  2. Algunos nodos fallaron al importarse durante el inicio

​
Modelos

ElevenLabs ofrece una suite de modelos de IA de voz especializados, cada uno optimizado para una tarea distinta. Desde la generación de voz de alta fidelidad hasta la transcripción en tiempo real y la edición de audio, los siguientes modelos están disponibles como nodos basados en flujos de trabajo en ComfyUI.

Eleven Multilingual v2 / v3

Texto a voz de alta fidelidad con tres niveles de modelo.

Scribe v2

Voz a texto rápida y precisa con diarización de hablantes.

Speech to Speech

Transforma el audio en otra voz conservando la interpretación.

Text to Sound Effects

Genera efectos de sonido y audio ambiente a partir de texto.

Text to Dialogue

Diálogo con varios personajes y voces distintas en una sola pasada.

Voice Isolation

Separa la voz del ruido de fondo y la música.